sensivitetsanalyser

Sensivitetsanalyser er systematiske tilnærminger som undersøker hvordan variasjon i modellinput påvirker modellutdata. Hensikten er å vurdere hvor robust en modell er mot usikkerhet i data og antakelser, og å identifisere hvilke parametere som har størst innvirkning på resultatene.

De brukes i et bredt spekter av felt, fra vitenskap og ingeniørfag til økonomi og politikk, for å identifisere nøkkelparametere, veilede datainnsamling og styrke beslutningsprosesser. Gjennom sensivitetsanalyser kan man evaluere modellens pålitelighet og utforske konsekvenser av alternative scenarier.

Metoder deles ofte inn i lokale (enkeltparameter) og globale sensivitetsanalyser. Lokale metoder inkluderer en-til-en-analystyper og derivatbaserte tilnærminger. Globale metoder omfatter variansbaserte tilnærminger som Sobol-indekser og FAST, samt Morris-screening. Monte Carlo-simuleringer brukes også for å fordele usikkerhet over parametrene og distribuere scenarier gjennom modellutdata. Scenarioanalyse og belastningstesting er andre tilnærminger som vurderer konsekvenser under ulike antagelser.

Bruksområder inkluderer modellering av smittspridning og helserisiko, klima- og miljømodellering, finansielle risikomodeller og ingeniørdesign. Eksempelvis kan en sensivitetsanalyse vise hvilke epidemiologiske parametere som mest påvirker utbruddets størrelse, eller hvilke input som skaper størst usikkerhet i prisprognoser.

Fordeler inkluderer bedre forståelse av usikkerhet, identifisering av kritiske parametere og veiledning av datasamling. Begrensninger inkluderer beregningskostnader, avhengighet av valgt metode og risiko for feiltolkning dersom resultatene ikke kommuniseres klart.